Apprentissage profond et calcul bayésien approché pour l’inférence de modèles à sites finis

Stage de recherche au Herbert and Florence Irving Institute for Cancer Dynamics (Université Columbia), encadré par Simon Tavaré. Rapport et code en anglais.

Comprendre comment les molécules d’ADN évoluent et mutent — à l’échelle des populations comme au cours d’une vie humaine — est un enjeu scientifique majeur. Ce projet portait sur des molécules d’ADN soupçonnées d’avoir des paramètres de transition biaisés (certaines substitutions de nucléotides étant favorisées), qui doivent être étudiées avec une approche à sites finis. Leur comportement est décrit par des modèles évolutifs stochastiques multiparamétriques : ils prennent un vecteur de paramètres en entrée et produisent des séquences de nucléotides échantillonnées dans une population d’individus ou de cellules.

1. Apprendre des statistiques résumées. Les données génomiques, complexes et de grande dimension, sont compressées en un vecteur de statistiques résumées de faible dimension par un réseau profond inspiré de Sanchez et al. (2021), que j’ai adapté à des séquences distinguant les bases A, T, C et G.
2. Inférence. Les paramètres du modèle stochastique sont ensuite ajustés aux données observées par un algorithme de Monte-Carlo séquentiel adaptatif dont chaque étape exécute un calcul bayésien approché par forêts aléatoires (ABC-RF) sur des données simulées, ce qui donne une distribution a posteriori de plus en plus précise.

Les résultats montrent que la méthode permet d’inférer les paramètres d’un modèle à sites finis générant des séquences avec de multiples mutations non visibles.